AI, ngành Dược và khám phá thuốc

Trong nhiều thập kỷ, ngành công nghiệp dược phẩm đã vận hành theo một mô hình R&D (Nghiên cứu và Phát triển) đầy thách thức: quá trình đưa một loại thuốc mới ra thị trường thường kéo dài từ 10 đến 15 năm, tiêu tốn trung bình 2,6 tỷ USD và có tỷ lệ thất bại đáng kinh ngạc, với khoảng 90% các ứng viên thuốc không vượt qua được các thử nghiệm lâm sàng. Tuy nhiên, một thập kỷ qua đã chứng kiến sự thâm nhập mạnh mẽ của trí tuệ nhân tạo (AI), không chỉ như một công cụ hỗ trợ mà là một động lực cơ bản đang định hình lại toàn bộ quy trình, hứa hẹn một kỷ nguyên mới về hiệu quả và độ chính xác. 

AI tái định hình quy trình R&D dược phẩm như thế nào? 

Thay vì chỉ cải thiện từng bước riêng lẻ, AI đang tác động sâu rộng đến toàn bộ chuỗi giá trị phát triển thuốc, từ giai đoạn ý tưởng ban đầu đến thử nghiệm lâm sàng.

Giai đoạn Khám phá và Xác định mục tiêu

Theo truyền thống, đây là một quá trình tốn nhiều công sức, đòi hỏi các nhà khoa học phải sàng lọc vô số tài liệu và dữ liệu. Giờ đây, các thuật toán AI có thể phân tích các bộ dữ liệu sinh học khổng lồ—bao gồm gen, protein và các dữ liệu đa omics khác—để xác định các mục tiêu sinh học tiềm năng gây bệnh trong vài giờ, một công việc trước đây có thể mất nhiều năm. Bước đột phá lớn nhất trong lĩnh vực này là AlphaFold của Google DeepMind, một mô hình AI có thể dự đoán cấu trúc 3D của protein với độ chính xác cao, đẩy nhanh đáng kể việc thiết kế thuốc dựa trên cấu trúc.

AI đang tối ưu hóa đáng kể các giai đoạn đầu của quá trình phát triển thuốc thông qua việc đẩy nhanh các quy trình cốt lõi. Ví dụ, trong việc xác định mục tiêu sinh học, các thuật toán AI được ứng dụng để phân tích các bộ dữ liệu sinh học phức tạp, bao gồm dữ liệu genomics, transcriptomics, proteomics và các dữ liệu đa omics khác. Bằng cách này, AI có thể xác định các mục tiêu gây bệnh như protein hoặc gen và các yếu tố phân tử chính. Quy trình này, vốn theo truyền thống đòi hỏi nhiều tháng hoặc nhiều năm, nay có thể được rút ngắn đáng kể. Hay, trong quá trình dự đoán cấu trúc protein, nổi bật là mô hình AlphaFold của DeepMind. Khả năng này là nền tảng cho việc thiết kế thuốc dựa trên cấu trúc (SBDD) và đánh giá khả năng một mục tiêu có thể bị tác động bởi thuốc, từ đó đẩy nhanh đáng kể giai đoạn đầu của quá trình khám phá. AI tạo điều kiện cho việc sàng lọc ảo (virtual screening) hàng triệu hợp chất trong thời gian ngắn, dự đoán những hợp chất nào có khả năng hiệu quả cao nhất đồng thời giảm thiểu tác dụng phụ tiềm tàng. Hơn nữa, AI tạo sinh (Generative AI) có khả năng tạo ra các cấu trúc phân tử hoàn toàn mới (de novo design) với các đặc tính mong muốn, mở rộng thư viện hóa học ra một không gian gần như vô hạn. AI cũng được sử dụng để phân tích các bộ dữ liệu lâm sàng và phân tử khổng lồ nhằm xác định các loại thuốc hiện có có thể được sử dụng cho các chỉ định mới. Một ví dụ điển hình là việc BenevolentAI xác định baricitinib, một loại thuốc trị viêm khớp dạng thấp, là phương pháp điều trị tiềm năng cho COVID-19, điều này sau đó đã được xác nhận trong các thử nghiệm lâm sàng.

Giai đoạn Tiền Lâm Sàng

Trong giai đoạn phát triển tiền lâm sàng, AI đóng một vai trò quan trọng trong việc xây dựng các mô hình dự đoán (in silico) để mô phỏng các phản ứng sinh học đối với các ứng cử viên thuốc. Các mô hình này đánh giá rủi ro độc tính, tác dụng ngoài mục tiêu và độ an toàn tổng thể trước khi tiến hành bất kỳ thử nghiệm nào trong phòng thí nghiệm hoặc trên động vật. Việc xác thực sớm này giúp loại bỏ các hợp chất yếu hoặc nguy hiểm ra khỏi quy trình, tiết kiệm đáng kể thời gian, chi phí và các vấn đề đạo đức liên quan đến thử nghiệm tiền lâm sàng truyền thống. Các mô hình AI cũng có thể dự đoán các đặc tính PK/PD, mô phỏng cách thuốc sẽ tương tác với cơ thể người, bao gồm các quá trình hấp thụ, phân phối, chuyển hóa và bài tiết. Bằng cách cải thiện hiệu quả và độ chính xác của các mô hình đánh giá hiệu quả và an toàn, AI góp phần vào nguyên tắc “3Rs” (Thay thế, Giảm thiểu, Tinh chỉnh) trong việc sử dụng động vật trong nghiên cứu.

Thử nghiệm Lâm sàng: 

AI đang tối ưu hóa giai đoạn tốn kém và rủi ro nhất này bằng cách cải thiện việc tuyển chọn bệnh nhân thông qua phân tích hồ sơ y tế điện tử, thiết kế các phác đồ thử nghiệm hiệu quả hơn, và thậm chí tạo ra các “nhóm đối chứng tổng hợp” (synthetic control arms) từ dữ liệu thực tế, giảm nhu cầu về các nhóm dùng giả dược.

Các nhân tố chính trong hệ sinh thái

Sự chuyển đổi này không được thúc đẩy bởi một thực thể duy nhất mà bởi sự hội tụ của một hệ sinh thái đa dạng gồm nhiều thành phần khác nhau:

Các công ty công nghệ sinh học ưu tiên AI (AI-First Biotechs): 

Đây là những công ty tiên phong như Insilico Medicine, Recursion Pharmaceuticals, Exscientia và Atomwise. Họ không chỉ sử dụng AI mà còn xây dựng toàn bộ mô hình kinh doanh của mình xung quanh công nghệ này. Insilico Medicine đã trở thành một ví dụ điển hình khi đưa một loại thuốc được khám phá và thiết kế hoàn toàn bằng AI vào thử nghiệm lâm sàng giai đoạn II cho bệnh xơ phổi vô căn chỉ sau 30 tháng. Recursion đang xây dựng một trong những bộ dữ liệu sinh học độc quyền lớn nhất thế giới, trong khi Exscientia và Atomwise đang đẩy mạnh các quan hệ đối tác lớn.

Các tập đoàn dược phẩm lớn (Big Pharma): 

Đối mặt với áp lực từ “vách đá bằng sáng chế” (patent cliff) và nhu cầu đổi mới, Big Pharma đã chuyển từ thái độ hoài nghi sang chủ động hợp tác và đầu tư. Kể từ năm 2023, tất cả 10 công ty dược phẩm hàng đầu thế giới đều đã tham gia vào các quan hệ đối tác liên quan đến AI. Các thương vụ trị giá hàng tỷ đô la đã được công bố, như thỏa thuận của AstraZeneca với CSPC Pharmaceutical Group (hơn 5 tỷ USD), Pfizer với XtalPi, và thương vụ Takeda mua lại Nimbus Therapeutics (4 tỷ USD) là những minh chứng rõ ràng cho sự cam kết này.

Các gã khổng lồ công nghệ (Big Tech): 

Cung cấp nền tảng tính toán và các mô hình AI nền tảng, các công ty như Google (với DeepMind), NVIDIA, và Microsoft đóng vai trò là những người hỗ trợ thầm lặng nhưng không thể thiếu. Sự ra đời của AlphaFold và việc thành lập Isomorphic Labs của Google đã tạo ra một nền tảng vững chắc cho cả ngành, trong khi các nền tảng đám mây và GPU của Microsoft và NVIDIA cung cấp sức mạnh cần thiết để huấn luyện các mô hình phức tạp.

 

Thách thức

Bất chấp sự lạc quan và những tiến bộ đáng kể, con đường phía trước vẫn còn nhiều thách thức.

Việc một loại thuốc do AI thiết kế hoạt động tốt trên máy tính không đảm bảo nó sẽ thành công trên người. Exscientia đã hạ mức độ ưu tiên cho thuốc điều trị ung thư EXS-21546 sau các thử nghiệm giai đoạn đầu. BenevolentAI đã gác lại ứng cử viên thuốc điều trị viêm da dị ứng sau khi thấy kết quả không đồng đều trong thử nghiệm giai đoạn 2. Và Sumitomo Pharma đã chứng kiến phương pháp điều trị tâm thần phân liệt được AI xác định, ulotaront, không đạt được các mục tiêu chính trong giai đoạn 3.

Chất lượng dữ liệu đầu vào vẫn là yếu tố quyết định (“rác vào, rác ra”). Hơn nữa, như CEO của Turbine, Szabi Nagy, đã chỉ ra, nhiều công ty khởi nghiệp đã thất bại do tập trung quá hẹp vào việc thiết kế phân tử mà bỏ qua các vấn đề cốt lõi hơn như lựa chọn mục tiêu sinh học và đối tượng bệnh nhân phù hợp.

Các tuyên bố về việc rút ngắn thời gian phát triển thuốc cần được xác minh một cách độc lập và công bố trên các tạp chí khoa học uy tín. Trong khi đó, các cơ quan quản lý như FDA (Mỹ) và EMA (Châu Âu) đang tích cực xây dựng các khuôn khổ mới để đánh giá các loại thuốc được phát triển bằng AI, nhưng đây là một quá trình phức tạp và đang diễn ra.

Tóm lại, trí tuệ nhân tạo đang tạo ra một sự thay đổi mô hình cơ bản trong ngành R&D dược phẩm. Nó đang chuyển đổi một quy trình vốn dĩ chậm chạp, tốn kém và đầy rủi ro thành một quy trình dựa trên dữ liệu, có tính dự đoán và hiệu quả hơn. Mặc dù những thách thức về mặt khoa học, kinh doanh và pháp lý vẫn còn tồn tại, sự hội tụ của các công ty công nghệ sinh học năng động, các tập đoàn dược phẩm có nguồn lực dồi dào và các gã khổng lồ công nghệ vững chắc đã tạo ra một hệ sinh thái đổi mới mạnh mẽ. Quỹ đạo phát triển này không chỉ hứa hẹn đẩy nhanh việc khám phá ra các loại thuốc mới mà còn có tiềm năng làm cho chúng trở nên dễ tiếp cận hơn, mở ra một tương lai tươi sáng hơn cho y học và sức khỏe con người.

Nguồn: CBInsights, Drug Patents Watch, Rest of World, Deep Pharma Intelligence